Системы искусственного интеллекта

21

знаний ЭС, моделирующих мышление эксперта при решении интеллектуальной

задачи.

Интеллектуальные системы принятия решений (ИСПР) осуществляют планирование и принятие решений по управлению объектами и процессами в сложных (экстремальных) условиях с применением моделей человеческого мышления и поведения. ИСПР эффективно сочетают в себе человеческий ин-

теллект, информационные технологии, интеллектуальное программное обеспе-

чение, а также опыт и знания человечества, накопленные к настоящему време-

ни. ИСПР представляют пользователю возможные варианты решений постав-

ленной задачи с оценкой последствий реализации каждого варианта решения, а

в отдельных случаях могут принимать и самостоятельные решения.

Интеллектуальные естественно-языковые системы (ИЕЯС) Проблемы ком-

пьютерной лингвистики и машинного перевода разрабатываются в ИИ с 1950-х

гг. Системы машинного перевода с одного естественного языка на другой обес-

печивают быстроту и систематичность доступа к информации, оперативность и единообразие перевода больших потоков, как правило, научно-технических тек-

стов. Системы машинного перевода строятся как интеллектуальные системы,

поскольку в их основе лежат базы знаний в определенной предметной области и сложные модели, обеспечивающие дополнительную трансляцию «исходный язык оригинала - язык смысла - язык перевода».

Для динамических мультиагентных систем характерна интеграция в базе зна-

ний нескольких разнородных источников знаний, обменивающихся между со-

бой получаемыми результатами на динамической основе, например, через "дос-

ку объявлений"

Для многоагентных систем характерны следующие особенности:

22

Проведение альтернативных рассуждений на основе использования раз-

личных источников знаний с механизмом устранения противоречий;

Распределенное решение проблем, которые разбиваются на параллельно решаемые подпроблемы, соответствующие самостоятельным источникам знаний;

Применение множества стратегий работы механизма вывода заключений

взависимости от типа решаемой проблемы;

Обработка больших массивов данных, содержащихся в базе данных;

Использование различных математических моделей и внешних процедур,

хранимых в базе моделей;

способность прерывания решения задач в связи с необходимостью полу-

чения дополнительных данных и знаний от пользователей, моделей, па-

раллельно решаемых подпроблем.

Контрольные вопросы

1.Что представляет тест Тьюринга для определения интеллекта

2.Какие существуют направления искусственного интеллекта

3.В чем заключаются отличия традиционных и интеллектуальных систем

4.Для каких целей используются специализированные СИИ

5.Что понимается под системой искусственного интеллекта.

Глава 2. Иженерия знаний

Представление данных и знаний. Информация, с которой имеет дело

компьютер, разделяется на процедурную и декларативную. Процедурная ин-

23

формация овеществлена в программах, которые выполняются в процессе реше-

ния задач, декларативная в данных, с которыми эти программы работают [7].

Для удобства сравнения данных и знаний можно выделить основные формы (уровни) существования знаний и данных. Знания имеют сложную структуру, и переход от данных к знаниям является следствием развития и усложнения информационных структур, поэтому правильно представлять зна-

ния как правила перехода от одних данных к другим [10].

Схема компьютерных программ с данными, представляемая как ДАН-

НЫЕ + АЛГОРИТМЫ = ПРОГРАММА

заменяется на новую архитектуру, основу которой составляет БЗ и интерпрета-

тор БЗ (машина логического вывода):

ЗНАНИЯ + ВЫВОДЫ = СИСТЕМА.

Данные. Параллельно с развитием структуры компьютеров происходило разви-

тие информационных структур для представления данных. Появились способы описания данных в виде: векторов, матриц, списочных структур, иерархических структур, структур, создаваемых программистом (абстрактных типов данных).

Данные — это отдельные факты, характеризующие объекты, процессы и явле-

ния предметной области, а также их свойства.

При обработке на ЭВМ данные преобразуются, условно проходя следующие этапы:

D1 — данные как результат измерений и наблюдений;

D2 — данные на материальных носителях информации (таблицы, протоколы,

справочники);

D3 — модели (структуры) данных в виде диаграмм, графиков, функций;

D4 — данные в компьютере на языке описания данных;

D5 — базы данных на машинных носителях информации.

24

База данных (БД) как естественнонаучное понятие характеризуется двумя основными аспектами: информационным и манипуляционным. Первый аспект отражает структуризацию данных, являющуюся наиболее подходящей для обеспечения информационных потребностей предметной области.

Способы структуризации данных получили название моделей данных.

Каждая такая модель характеризуется определенными средствами и методами структурирования данных. Наиболее известны иерархическая, сетевая и реля-

ционная модели данных [7].

Табличные (реляционные) структуры данных. Во многих областях чело-

веческой деятельности используется термин «таблица». При этом в каждом конкретном случае в него вкладывается свой смысл. Наряду со смыслом, или сущностью, таблицы обладают теми или иными формами их представления.

Понятие таблицы включает несколько аспектов: прагматику, семантику и син-

таксис. Прагматика задает цели рассмотрения таблиц. Исходя из прагматики определяется их сущность (семантика). Синтаксический аспект таблиц связан с построением их форм, наиболее подходящих для заданного восприятия (здесь может учитываться ориентация на человека, устройство-автомат и др.). Связь между этими аспектами таблиц выражается как принцип подчиненности: син-

таксический аспект подчинен семантическому, а последний зависит от прагма-

тического.

Реляционная модель (разработанная Э. Ф. Коддом в 1970 г.) выгодно от-

личается от всех других моделей данных за счет простоты, математической строгости и практической полезности. Реляционная алгебра, служит аппаратом построения одних структур данных из других, уже ранее построенных или пер-

воначально заданных, нахождением различных типов зависимостей между компонентами структур данных. Такие зависимости, называемые еще ограни-

чениями целостности БД, играют роль информационных инвариантов ПрО и в

25

связи с этим должны поддерживаться в БД на протяжении всего периода ее ис-

пользования.

Сначала БД развивались по экстенсиональному пути, то есть включали широкий круг вопросов, не придавая особого значения их внутреннему содер-

жанию. Поэтому вопросы построения и исследования основополагающих кон-

цепций БД, познания их глубинной природы затрагивались слабо. Только в ре-

ляционном подходе был сделан интенсиональный шаг в развитии БД.

В ходе дальнейшего развития концепций структур данных, средств мани-

пулирования ими и базирующихся на них моделей БД больше внимания стало уделяться семантическому аспекту структур данных и средств их обработки.

Знания имеют более сложную структуру, чем данные (метаданные). При этом знания задаются как экстенсионально (т. е. через набор конкретных фактов, со-

ответствующих данному понятию и касающихся предметной области), так и ин-

тенсионально (т. е. через свойства, соответствующие данному понятию, и схему связей между атрибутами).

Знания - это закономерности предметной области (принципы, связи, законы),

полученные в результате практической деятельности и профессионального опы-

та, позволяющие специалистам ставить и решать задачи в этой области Знания основаны на данных, полученных эмпирическим путем. Они представ-

ляют собой результат мыслительной деятельности человека, направленной на обобщение его опыта, подученного в результате практической деятельности. С

информационной точки зрения можно дать следующее определение знаний.

При обработке на ЭВМ знания трансформируются аналогично данным [10]. Z1 — знания в памяти человека как результат мышления;

Z2 — материальные носители знаний (учебники, методические пособия);

Z3 — поле знаний — условное описание основных объектов предметной обла-

сти, их атрибутов и закономерностей, их связывающих;

26

Z4 — знания, описанные на языках представления знаний (продукционные язы-

ки, семантические сети, фреймы — см. далее);

Z5 — база знаний на машинных носителях информации.

Свойства знаний.

1. Интерпретируемость обеспечивает интенсиональное определение знаний

(через внутренние свойства, связи и структуру), противопоставляемое экстенси-

ональному (через набор фактов). Например, многие пользователи компьютеров имеют только экстенсиональное представление о процессорах. Знают несколько названий наиболее популярных моделей и факты, что они влияют на произво-

дительность компьютера, размещаются на материнской плате и т.д. При этом они не владеют интенсиональным знанием о функционировании процессоров.

2. Рекурсивная структурированность и связность. Рекурсивная структу-

рированность определяется через понятие концепта. Концепт есть семантиче-

ское целое понятий. Понятие Р1 и Р2 образуют семантическое целое, если имеет место какое-то из перечисленных условий:

(А) Р1 и Р2 связаны друг с другом как отношение и один из его аргумен-

тов;

(В) Р1 и Р2 связаны друг с другом как действие и его носитель или субъ-

ект;

(С) Р1 и Р2 связаны друг с другом как функция и ее аргумент (объект и его свойство).

По индукции следует, что множество P = {P1, P2, ..., Pn} понятий образует семантическое целое, если каждый Рi в Р образует семантическое целое как ми-

нимум с одним из Рj, где Pj P/{Pi}.

Концепт С есть упорядоченное множество Сi , где Сi - семантическое це-

лое, содержащееся в семантическом целом, представляющем С.

3.Семантическое пространство с метрикой. Это свойство знаний связано

27

с возможностью их измерения в системе оценок (метрики) [истинно, ложь]. В

системе с нечеткой логикой используется бесконечное множество оценок ис-

тинности знания. Например, заключение ЭС вида "завтра ожидается дождь с вероятностью 0,8" не является ни строго истинным, ни строго ложным, т.е. ха-

рактеризуется определенной степенью правдоподобия.

4. Активность знаний. Это свойство знаний "адаптироваться" под изменя-

ющиеся факты (т.е. способность к обучению и самокоррекции).

5. Функциональная целостность. Под функциональной целостностью зна-

ний понимается их непротиворечивость и разрешимость. Непротиворечивость знаний означает невозможность появления в базе знаний двух взаимоисключа-

ющих фактов (типа "пациент жив" и "пациент мертв").

Требование разрешимости заключается в том, что любое истинное знание,

формализуемое в базе знаний системы, может быть выведено в ней с помощью машины вывода.

6.Независимость означает невозможность вывода единого знания из дру-

гого формальным способом.

7. Ситуативность. Наличие ситуативных связей определяет совмести-

мость тех или иных знаний, хранимых в памяти. В качестве таких связей могут выступать отношения времени, места, действия, причины и пр.

Инженерия знания появилась в связи с проблемами выявления и формализации знаний. Поэтому появление этого направления в искусственном интеллекте обусловлено задачами извлечения знаний, приобретения знаний, представления знаний, манипулирование знаниями и служит основой для создания экспертных систем и других практических систем искусственного интеллекта (СИИ). Ин-

женерии знаний получение и структурирование знаний о некоторой предметной области, формирование для нее поля знаний и разработка баз знаний

28

Центральным понятием на стадиях получения и структурирования знаний явля-

ется поле знаний.

Поле знаний – это условное неформальное описание основных понятий и взаи-

мосвязей между сущностями предметной области, выявленных из различных источников, в том числе, полученных от экспертов, в виде графов, диаграмм,

таблиц, текстов и т.п.

Специалист, накапливающий знания в определенной предметной области и по-

этому компетентный, называется экспертом, что позволяет распознавать и оце-

нивать ситуации. Средний специалист в конкретной предметной области пом-

нит от 50 до 100 тыс. чанков (символьный образ, объединенный в мозге в бло-

ки) и использует их для решения задач и проблем. Этим объясняется представ-

ление знаний в ИнС в виде БЗ, как сложных иерархических структур с соответ-

ствующими связями между этими структурами. Структура инженерии знаний представлена на рис.2.1.

Рис.2.1- Структура инженерии знаний

29

Представление знаний – процесс формализованного описания для ввода знаний в БЗ, структуризация знаний необходима для облегчения поиска решений. Опи-

сание проводится с помощью языка представления знаний (ЯПЗ). ЯПЗ – знако-

вая система, в которой описываются объекты и явления (или обобщения) со-

гласно принятому множеству соглашений по знакам, синтаксису (построение,

порядок, способ соединения слов и предложений) и семантике (смысловое зна-

чение). ЯПЗ обеспечивает возможность формальной записи знаний + опериро-

вание знаниями. Процедура преобразования хаоса знаний в модель знаний представляется следующим образом (Рис.2.2):

1. Восприятие и интерпретация действительности предметной области некото-

рым экспертом, в результате образуется некоторая модель как семантическое представление действительности и его личного опыта.

2. Вербализация опыта эксперта, при объяснении им своих рассуждений и пере-

дачи своих знаний инженеру по знаниям. В результате образуется некоторое текстовое или речевое сообщение. Именно в процессе объяснения эксперт на размытые ассоциативные образы в лабиринтах своей памяти «надевает» четкие словесные ярлыки, т.е. вербализирует знания.

3. Восприятие и интерпретация некоторого сообщения инженером по знаниям.

В результате в памяти инженера образуется некоторая модель предметной обла-

сти.

4. Кодирование и вербализация модели в форме некоторого поля знаний, спро-

ектированного инженером по знаниям для реализации в базе знаний.

Основная задача заключается в обеспечении максимального соответствия меж-

ду действительным состоянием предметной области и полем знаний. Поле зна-

30

ний может быть представлено как пирамида, где следующий уровень служит для восхождения на новую ступень обобщения и углубления знаний.

Рис.2.2. Процесс формирования поля знаний

В инженерии знаний используется термин “формирование знаний”, обозначаю-

щий процесс анализа данных и выявления скрытых закономерностей с исполь-

зованием специального математического аппарата и программных средств ЭВМ. Основные методы извлечения знаний представлены на рис.2.3

Классификация методов извлечения знаний (рис.2.3) позволяет инженерам по знаниям, в зависимости от конкретной задачи и ситуации, выбрать конкретный метод. Из предложенной схемы видно, что основной принцип деления связан с источником знаний. Коммуникативные методы охватывают все виды контактов с живым источником знаний - экспертом, а текстологические касаются методов